通过用户数据分析可了解真实的用户需求，通过产品和运营更好地满足这些需求，从而推动增长。小编接下来将就增长模型的数据分析分享一些实用方法论。
用户数据通常可以分为两类，一类是用户属性数据，另一类是用户行为数据。
用户属性数据代表的是用户自身基本信息和状态，包括天然特征和行为提醒的特征，一般是较为固定，不会轻易改变的。而用户行为数据是用户产品内的行为轨迹，代表了用户和产品的互动模式，通常可通过各种方式影响数据。
用户分群就是通过属性和行为数据将类似的用户归为一个群组的过程，并针对不同群组的用户寻找区别对待和精细化运营的机会。
用户分群驱动增长主要通过设定分群维度和应用分群结果这两个步骤来实现。
1.1 设定分群维度在任何产品中都会存在用户的各种属性以及行为，如何在这些属性和行为中选择最初的分群维度？主要可以按两类维度类型进行分群。一类是按照用户属性进行分类。另一类是按照用户行为进行分类。
用户属性：用户天然的属性和特征，不会轻易的改变。
获客渠道；
可推测用户兴趣的属性：年龄，性别，城市，家庭。
可推荐用户经济状态的属性：设备类，型号，城市，职业。
用户行为：用户在产品生命周期的关键行为。
生命周期的关键行为：新老用户。
用户活跃程度RFM；
付费情况：是否付费；
功能使用；
增长模型：增长模型中的某个变量在不同人群中差异较大。
贷款额度：互金类产品。
客单价：滴滴打车。
价位：SaaS。
在一些初创团队的产品，可能会用不分群的方式，虽然数据分析简单，但对用户一视同仁，导致很对增长的线索无法被发掘，错过增长机会。与这类公司反差明细的是一些巨型企业，会使用千人千面的分群方式。这种方法需要技术和算法的支持。而且分析出的结果需要有对应的运营和产品资源配合，在绝大多数公司并不适用。在大多数公司中，维度分群是从实际业务问题出发，从1-2个维度进行简单分群。当用户量达到一定数量级后，可选择3-5个维度，进行多元组合分群。
1.2 应用分群结果通过用户分群得到分群结果，主要可以分为两种应用方向，以获取用户为分隔点，在获取用户之前，可以通过结果优化精准拉新的策略。在获取用户之后，可以通过结果提高精细化运营的产品体验。
精准拉新：
对现有用户进行分群，找到高质量的用户群，从而进一步定位高质量用户的获客渠道或者广告。
选择高质量用户，将这类用户特征上传渠道平台，通过算法找到类似的用户。
精细化产品运营体验：
产品算法支持的千人千面的商品和内容推荐等
针对不同群组，进行不同的运营动作。包括Push推送，促销活动等。
这里通过一个某潮品电商产品的用户分群案例，来分享一下如何运用用户分群进行增长策略的置顶。
选择重点的属性和行为维度，进行组合分群：
针对不同的分群，制定对应策略（方案仅供参考，不具有真实性）。
行为分析是通过详实的用户行为数据描述出用户在产品中真实的路径和互动情况。针对用户行为分析的结果，通过产品或运营的方式引导用户，改变用户行为的轨迹和模式，让用户更好的从产品中获得价值。
用户行为驱动增长主要通过明确分析对象和选择分析方法这两个步骤来实现。
2.1 明确分析对象用户行为可分为两类关键用户行为，一类是一次性或低频行为，另一类是周期性行为。
一次性或低频行为代表着用户为使用产品打下基础的重要行为。例如下载App、完成注册、输入身份信息、充值等。
周期性行为代表着用户使用产品功能的核心行为。例如下单、点赞、阅读、观看视频等。
在产品中用户产生的行为很多。准确找到这两类关键用户行为的方式可分为两类：
从数据中验证：在实际数据中，通过路径分析找到关键转化路径，通过比较行为频次找到高频行为，发现任何遗漏的行为。
从业务中出发：从关键转化路径中或高频的周期性行为中寻找并确认关键行为。
通过用户行为分析解决的本质问题，可以归纳为两类问题：
转化问题：一般通过分析用户行为路径，让更多的用户执行某种行为，走上正确的路径。
留存问题：一般通过针对周期性行为的分析，让用户更多的更持久的执行某种行为，养成正确的习惯。
2.2.1 用户行为路径分析：漏斗分析
漏斗分析是事先设定的若干个关键节点的转化路径中，简单直观的显示同一群用户从每一步到下一步的转化率。通过转化率的高低，快速判定出大多数用户是否遵循了产品设定的路径在行进，并可查出流失最高的关键节点是哪个。
漏斗分析是大家非常熟悉的一种分析方法，常用的漏斗分析方法有以下两种：
（1）通过全链漏斗中找寻用户流失点和增长机会。
（2）通过AARRR各个环节的细分漏斗寻找用户流失点和增长机会。
获客：新用户注册漏斗
激活：新用户激活漏斗
留存：关键周期性行为漏斗。
推荐：老带新用户转化漏斗。
变现：下单漏斗、投资漏斗等。
2.2.2 用户行为路径分析：路径分析
路径分析是显示用户从每一步到下一步的转化率。通过发散性分析方式，确定大多数用户的实际行为路径。通过路径分析可得到：
确定用户在产品内实际路径和走向与产品期望的主路径的区别点。
确定用户的实际主流路径。
发现一些事先不为人知的路径。
常见的思考方向：
用户实际路径和产品设计期望的路径有什么不同？
新用户进入首页后的实际路径有哪些？最喜欢去哪些页面？
如何引导用户回到主流路径，迅速到底核心功能？
以某个行为为终点的路径：到达某个功能的路径里，哪条最主流？
用户哪些路径可触达该行为？
如果想提升触达该行为的转化率，先从哪条路径入手最容易提升？
以某个行为为终点的路径：用户偏离预设的路径后，实际走向是什么？
用户到达行为对应的页面（如商品详情页）后，为什么没有触发行为(点击支付)？
用户去了其他什么路径？
如何避免这类用户偏离预设的路径？
这里小编根据一个模拟的案例（某二手车交易平台）来简述一下如何运用用户路径分析找到增长线索。
第一步：明确目标：提高销售额。
第二步：假设根据用户路径分析，发现有两条主要路径：
启动App → 搜索商品 → 提交订单 → 支付订单
启动App → 未支付订单 → 搜索相似商品 → 取消订单
第三步：分析数据，发现线索：
第一条用户路径：用户提交订单后，大约75%的用户会完成支付，而 25%的用户未支付。
第二条用户路径：目标商品已经加入订单，但未最终敲定，因此在打开App后直奔“未支付订单”。
但是第二条路径中，发现部分用户会再次“搜索相似商品”，根据这一行为可判断客户可能存在比价行为。
表明价格一定程度上影响了这部分用户的支付欲望，这是一批“价格导向”的客户。
第四步：提出方案：
对此，该电商运营人员采取针对性措施：
“未支付订单”“超过 30 分钟则自动取消。
将支付页面附近放置优惠券领取。
当该新版本上线后，再次通过用户路径分析模型：
发现由于30分钟的时间限制，有更多的用户愿意在提交订单后，立即支付订。
同时未支付订单大大降低，说明在支付页面附近放置优惠券的方式，会刺激对价格敏感的客户。
2.2.3 用户行为路径分析：轨迹细查
轨迹细查是按时间排列一系列行为，展示单个用户的实际行为路径。通过聚焦性分析，寻找单个用户的实际行为路径中的异常或者规律。
常见思考方向：
某类用户流失了，TA流失前都做了什么事情，有哪些异常？
某个功能的优化或Bug是否影响了用户轨迹，出现了哪些异常？
将2.2.2.的二手车交易平台案例场景沿用到本节中，如下：
2.2.4 周期性行为分析：留存分析
留存分析是通过用户留存数据分析，确定产品的留存健康程度。对比不同用户组的留存率，找到改善留存的增长线索。
通过留存分析来优化增长的思考方向可以从以下几个问题入手：
产品的留存能力如何
首次登陆的用户，有多少会留存下来。
哪个时间段年内留存最严重？
产品的留存率和行业平均值相比如何？
产品内的留存率是否有差异？
不同产品功能的用户留存率的差异。
不同获客渠道的用户留存率的差异
不同用户属性的用户留存率的差异。
2.2.5 周期性行为分析：频次分析
频次分析是通过用户使用产品或某个功能的频次分析，确定用户习惯的健康程度。
通过频次分析来优化增长的思考方向可以从以下几个问题入手：
观察使用频次的分布规律，优化产品和运营策略
甄选高价值用户，并对应调整资源分配和运营策略。
针对不同渠道，用户特征的用户，对比使用频次分布情况，实时调整运营策略。
-END-
